Como criei uma extensão para exportar meus bookmarks do Twitter e descobri o poder do tagging com IA

Se você é desenvolvedor ou entusiasta de tecnologia, provavelmente tem uma relação de amor e ódio com os bookmarks do Twitter.

Você está rolando o feed, encontra um tweet incrível — um tutorial, um fio com dicas de carreira, uma thread técnica que explica algo que você estava há dias tentando entender. Você salva. “Depois eu vejo com calma.”

Só que depois nunca chega. Ou, quando chega, você tem centenas de bookmarks acumulados e nenhuma maneira de encontrar aquele específico.

Foi assim que surgiu a ideia de criar uma extensão que não apenas exportasse meus bookmarks, mas organizasse eles com IA.

O problema

O Twitter não oferece uma maneira fácil de exportar seus bookmarks. Não há busca eficiente, não há categorização, não há tags. Você tem uma lista linear e cronológica de centenas ou milhares de tweets salvos, e encontrar um específico é praticamente impossível.

Eu tinha cerca de 2.000 bookmarks acumulados ao longo de anos. Sabia que alguns eram verdadeiras joias — threads sobre arquitetura de software, dicas de PostgreSQL, visões sobre o mercado de IA. Mas estavam todos perdidos no meio do caminho.

Queria responder perguntas como:

• “Qual era aquele tweet sobre índices no PostgreSQL?”
• “Me mostra todos os bookmarks sobre Docker que salvei”
• “Quais threads sobre IA salvei nos últimos 3 meses?”

A solução: uma extensão + IA

A ideia era simples: uma extensão de navegador que:

1. Exporta todos os seus bookmarks do Twitter
2. Envia cada bookmark para uma IA que extrai tags, resumo e classifica por categoria
3. Salva tudo localmente em um formato pesquisável (JSON, SQLite ou Markdown)

O fluxo ficou assim:

1. Extensão no navegador acessa a página de bookmarks do Twitter
2. Faz scroll automático até carregar todos os bookmarks
3. Extrai o conteúdo de cada um (texto, autor, data, link)
4. Para cada bookmark, chama a IA com o prompt:
   "Classifique este tweet em categorias e extraia tags relevantes"
5. Salva tudo em um arquivo JSON estruturado
6. Gera também um arquivo Markdown com os bookmarks organizados por categoria

O papel da IA no tagging

A parte mais interessante do projeto foi descobrir como a IA pode transformar dados brutos em informação organizada.

Antes de usar IA, eu teria que:

• Criar categorias manualmente
• Classificar cada bookmark uma por uma
• Decidir tags consistentes
• Manter a classificação ao adicionar novos

Com IA, o processo se tornou:

Prompt usado para cada bookmark:

"Analise este tweet e retorne um JSON com:
- category: uma categoria principal (Tecnologia, Carreira, Produtividade, 
  Arquitetura, DevOps, IA, Banco de Dados, etc)
- tags: 3 a 5 tags relevantes
- summary: resumo de uma linha
- sentiment: positivo, neutro ou negativo
- suggested_action: ler depois, implementar, compartilhar ou arquivar"

O resultado foi surpreendente. A IA conseguia:

• Categorizar um tweet sobre índices GiST no PostgreSQL como “Banco de Dados” com tags como postgresql, performance, índices
• Identificar que um fio sobre liderança técnica era “Carreira” com tags liderança, gestão, soft-skills
• Diferenciar um tutorial prático de uma opinião teórica

A estrutura final

No final, cada bookmark se transformava nisso:

{
  "id": "1234567890",
  "author": "@giancarlosantos",
  "text": "PostgreSQL GiST indexes are...",
  "date": "2026-03-15",
  "url": "https://twitter.com/user/status/1234567890",
  "category": "Banco de Dados",
  "tags": ["postgresql", "performance", "índices", "gist"],
  "summary": "Explicação sobre índices GiST no PostgreSQL e quando usá-los",
  "suggested_action": "ler depois"
}

E o arquivo final organizava tudo por categoria:

📁 Bookmarks Exportados
├── 📂 Banco de Dados (23 bookmarks)
├── 📂 DevOps (18 bookmarks)
├── 📂 IA (34 bookmarks)
├── 📂 Arquitetura (12 bookmarks)
├── 📂 Carreira (8 bookmarks)
├── 📂 Produtividade (15 bookmarks)
├── 📂 Docker (22 bookmarks)
└── 📂 Geral (6 bookmarks)

Total: 138 bookmarks em 8 categorias — cada um com tags, resumo e ação sugerida.

O que aprendi com isso

1. IA não é só para gerar texto — é para organizar caos

A maior utilidade da IA que experimentei até hoje não foi escrever artigos ou gerar código. Foi pegar uma massa de dados desorganizada e estruturar ela em algo útil. O tagging automático transformou uma lista linear de 138 tweets em uma base de conhecimento navegável.

2. O prompt define tudo

No começo, o prompt era genérico demais e a IA retornava categorias inconsistentes (“Tech” vs “Tecnologia”). Depois de ajustar o prompt com exemplos concretos e categorias pré-definidas, o resultado melhorou drasticamente.

Prompt ruim: “Classifique este tweet” Prompt bom: “Classifique em uma destas categorias: Banco de Dados, DevOps, IA, Arquitetura… e retorne JSON com category, tags (3-5), summary e suggested_action”

3. A organização liberta

Antes da extensão, eu raramente revisitava meus bookmarks. Depois, comecei a consultar a base organizada semanalmente. Virei um re-leitor ativo do conteúdo que já havia considerado valioso um dia.

Para onde levar isso

A extensão resolveu meu problema imediato, mas o potencial é maior. Estou pensando em:

• Transformar em um produto pequeno (PWA + IA) para outras pessoas
• Integrar com ferramentas como Notion, Obsidian ou Readwise
• Usar o mesmo conceito para organizar tabs salvas, artigos do Dev.to e posts do LinkedIn

Mas isso fica para um próximo artigo.